Pendekatan Aritificial Neural Network untuk Prediksi Hasil Panen Kopi dengan Metode Backpropagation
DOI:
https://doi.org/10.30812/corisindo.v1.5362Keywords:
Artificial Neural Network, Backpropagation, Prediksi Produksi Kopi, Nusa Tenggara BaratAbstract
Indonesia merupakan salah satu produsen kopi terbesar di dunia, dengan Provinsi Nusa Tenggara Barat (NTB) sebagai salah satu daerah penghasil utama. Produksi kopi di NTB mengalami fluktuasi tahunan yang dipengaruhi oleh berbagai faktor, seperti luas lahan, kondisi iklim, dan teknik budidaya. Untuk mendukung perencanaan dan pengambilan keputusan, diperlukan metode prediksi yang akurat. Penelitian ini bertujuan memprediksi hasil produksi kopi menggunakan pendekatan Artificial Neural Network (ANN) dengan algoritma Backpropagation, yang mampu mempelajari pola non-linear antara variabel input dan output. Dataset yang digunakan berasal dari Badan Pusat Statistik (BPS) Provinsi NTB untuk periode 2015–2024, dengan variabel Tahun, Luas Lahan (Ha), dan Produksi (Ton). Tahapan penelitian meliputi preprocessing data dengan Min-Max Scaling, perancangan arsitektur ANN dengan struktur 2–8–8–1, pelatihan model menggunakan optimizer Adam, serta evaluasi dengan metrik MSE, RMSE, MAE, dan MAPE. Hasil evaluasi menunjukkan bahwa model terbaik memiliki nilai MAPE sebesar 6.93%, yang termasuk kategori akurasi sangat baik. Prediksi produksi untuk periode 2025–2030 menunjukkan tren peningkatan, dari 7.748 ton pada tahun 2025 menjadi 10.262 ton pada tahun 2030. Hasil ini membuktikan bahwa ANN dengan algoritma Backpropagation efektif digunakan untuk memprediksi hasil produksi kopi dan berpotensi mendukung pengambilan keputusan di sektor pertanian.
References
[1] Niken Zahra Afifah, Rahma Indri Septiani, dan Riza Amelia Putri, “Dampak Perubahan Iklim Terhadap Produksi Dan Ekspor Pada Komoditi Kopi,” J. Ilm. Res. Student, vol. 2, no. 1, hal. 473–480, 2025, doi: 10.61722/jirs.v2i1.3710.
[2] S. Widiastutie, A. Pradhanawati, dan M. Agung Sardjono, “Diplomasi Kopi Indonesia di Kancah Dunia Chusnu Syarifa Diah Kusuma Universitas Negeri Yogyakarta,” Indones. Perspect., vol. 7, no. 2, hal. 180–204, 2022, doi: doi.org/10.14710/ip.v7i2.50778.
[3] E. S. Azizi, “Daya Saing Kopi Indonesia di Pasar Internasional dalam 3 Dekade Terakhir,” J. Agribus. Sci. Rural Dev., vol. 3, no. 1, hal. 45–59, 2023, doi: 10.32639/jasrd.v3i1.728.
[4] M. Hikmat, D. Puspita Hati, M. Media Pratamaningsih, dan Sukarman, “Kajian Lahan Kering Berproduktivitas Tinggi di Nusa Tenggara untuk Pengembangan Pertanian,” J. Pertan., vol. 16, no. 2, hal. 119–133, 2022, doi: http://dx.doi.org/10.21082/jsdl.v16n2.2022.119-133.
[5] M. Martanto, D. Nur Aisyah, dan R. Indriawan, “Peluang Industri Pertanian Komoditas Kopi (Coffe) Di Kecamatan Seponti Kabupaten Kayong Utara Desa Sungai Sepeti,” J. Teknol. Pangan dan Ind. Perkeb., vol. 4, no. 2, hal. 60–67, 2024, doi: 10.58466/lipida.v4i2.1648.
[6] A. Rahim dan H. Lestari, “Analisis Pendapatan dan Keuntungan Usahatani Kopi di Susun Punik Kecamatan Batulanteh,” J. Ekon. dan Bisnis, vol. 12, no. 3, hal. 342–351, 2024, [Daring]. Tersedia pada: http://e-journallppmunsa.ac.id/index.php/jebPp.342-351
[7] M. W. Ramadhani dan L. P. Suciati, “Karakteristik Sistem Pertanian Kopi Rakyat Berbasis CSA (Climate Smart Agriculture) Dan Faktor – Faktor Yang Mempengaruhi Di Kabupaten Jember,” J. Ekon. Pertan. dan Agribisnis, vol. 8, no. 3, hal. 1112–1118, 2024, doi: doi.org/10.21776/ub.jepa.2024.008.03.24.
[8] S. KURNIA, “Analisis Faktor-Faktor Yang Mempengaruhi Produksi Kopi Di Indonesia,” JISMA J. Ilmu Sos. Manajemen, dan Akunt., vol. 1, no. 6, hal. 805–812, 2022, doi: 10.59004/jisma.v1i6.288.
[9] Bagus Arya Atmaja, Gery Samuel Gultom, Jhon Hansen Manurung, dan Victor Asido Elyakim P, “Penerapan Metode Backpropagation dalam Jaringan Saraf Tiruan untuk Meningkatkan Prediksi Produksi Kentang di Sumatera,” INSOLOGI J. Sains dan Teknol., vol. 3, no. 6, hal. 674–683, 2024, doi: 10.55123/insologi.v3i6.4658.
[10] B. S. Laili, D. T. Utomo, dan D. Wijanarko, “Implementasi Metode Backpropagation Neural Network Dalam Memprediksi Hasil Produksi Kedelai,” J. Teknol. Inf. dan Terap., vol. 10, no. 1, hal. 1–6, 2023, doi: 10.25047/jtit.v10i1.145.
[11] A. Rifa’i, “Prediksi Inflasi Indonesia Berdasarkan Fuzzy Ann Menggunakan Algoritma Genetika,” J. ELTIKOM, vol. 5, no. 1, hal. 12–24, 2021, doi: 10.31961/eltikom.v5i1.215.
[12] Nurhadi dan B. Hendrik, “Tinjauan sistematis peran jaringan saraf tiruan dan deep learning dalam diagnosa demam berdarah dan tifus,” J. Inform. Manaj. dan Komput., vol. 16, no. 2, hal. 1–13, 2024.
[13] A. Dafid, H. Sukri, dan M. Sholeh, “Sistem Peramalan Hasil Produksi Jagung Di Kabupaten Sumenep Dengan Pendekatan Jaringan Syaraf Tiruan Backpropagation Forecasting System of Maize Production Result in Sumenep Regency With Artificial Neural Network Backpropagation Approach,” J. SimanteC, vol. 12, no. 2, hal. 27–40, 2024, doi: https://doi.org/10.21107/simantec.v12i2.26036.
[14] I. I. Ridho, C. F. Ramadhani, dan A. P. Windarto, “Penerapan Artificial Neural Network dengan Metode Backpropagation Dalam Memprediksi Harga Saham (Kasus: PT. Bank BCA, Tbk),” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 8, no. 1, hal. 295–303, 2023, doi: http://dx.doi.org/10.30645/jurasik.v8i1.612.
[15] O. Nurdiawan, F. Fathurrohman, dan A. Faqih, “Optimisasi Model Backpropagation untuk Meningkatkan Deteksi Kejang Epilepsi pada Sinyal Electroencephalogram,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 9, no. 2, hal. 151–160, 2024, doi: https://doi.org/10.51211/isbi.v9i2.3187.
